【摘要】：受地域跨度廣、地形和線路復雜等客觀條件制約,列車面臨的運行環(huán)境復雜多變,不同線路和階段的軌面狀態(tài)都可能發(fā)生隨機變化。為保證列車安全運行,必須對列車運行軌面狀態(tài)進行識別。本文基于軌面黏著狀態(tài)特征數(shù)據(jù),采用神經(jīng)網(wǎng)絡模型,將軌面黏著特性數(shù)據(jù)作為輸入,對當前軌面狀態(tài)進行分類識別。本文的研究內(nèi)容如下:針對現(xiàn)有的軌面識別方法準確率不理想,識別速度較慢的問題,研究了一種基于Adaboost算法的神經(jīng)網(wǎng)絡軌面識別模型,該算法在樣本數(shù)據(jù)相對較小的情況下,仍能保持較好的識別效果。針對數(shù)據(jù)采集中存在的補償問題,設計了一種基于BP_Adaboost算法的強預測器,為了檢驗該預測器效果進行了仿真實驗,證明了該方法的有效性和可行性。針對傳統(tǒng)BP神經(jīng)網(wǎng)絡中,容易收斂到解空間中的局部極小點從而無法找到最優(yōu)解的情況,采用一種改進的粒子群算法對網(wǎng)絡參數(shù)進行優(yōu)化,通過仿真實驗結果可以判斷該方法能較好的解決局部極值的問題。針對粒子群算法運算速度較慢,存在運算資源浪費的問題,采用思維進化算法對網(wǎng)絡權值和閾值進行優(yōu)化,與改進粒子群算法進行了仿真對比,結果表明思維進化算法在解決局部極值的同時,比改進的粒子群算法運算速度更快,節(jié)省了運算資源。
【學位授予單位】：湖南工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18;U270.389
【圖文】：

M-P模型

牽引力模型

【參考文獻】

相關期刊論文 前2條

1 王海;蔡英鳳;袁朝春;;基于多模式弱分類器的AdaBoost-Bagging車輛檢測算法[J];交通運輸工程學報;2015年02期

2 劉天鍵;邱立達;張寧;;改進型AdaBoost算法在車輛檢測中的應用[J];閩江學院學報;2014年02期

相關碩士學位論文 前8條

1 李永基;基于圖像的軌道表面缺陷識別研究[D];蘭州交通大學;2017年

2 任俊簫;基于圖像處理的鐵軌表面缺陷檢測設計[D];西南科技大學;2017年

3 王偉;基于BP神經(jīng)網(wǎng)絡的腫瘤數(shù)據(jù)分類方法研究[D];蘭州交通大學;2017年

4 李立;基于圖像處理的鐵軌表面缺陷自動檢測方法研究[D];南京航空航天大學;2015年

5 任強;重載機車粘著控制方法的研究與設計[D];西南交通大學;2014年

6 周媚媚;基于自適應神經(jīng)網(wǎng)絡的高速列車防滑控制[D];北京交通大學;2014年

7 陳鵬;電力機車的空轉識別及防空轉研究[D];西南交通大學;2013年

8 唐湘娜;鐵軌表面缺陷的視覺檢測算法研究[D];湖南大學;2013年

本文編號：2714245